基于优化边界框回归的目标检测

目标检测是计算机视觉任务中的关键问题之一,而边界框回归是目标检测的重要步骤.现有方法认为交并比(IoU)损失有利于度量IoU,但仍然存在收敛速度慢和回归不准确的问题.此外,大规模的目标检测数据集尽可能地清晰定义真实边界框,但在标记边界框时仍然会引入偏差.本文基于CIoU损失和边界框回归Kullback-Leibler(...     

基于ASTUKF的电力信号同步相量跟踪算法

配电网电力信号的高噪声及强瞬变的特性对相量测量造成较大干扰,在噪声环境下可靠、快速并高精度地获得电力信号相量信息对电网的稳定性与可靠性具有重要意义。文章提出一种基于自适应强跟踪无迹卡尔曼滤波(Adaptive Strong Tracking Unscented Kalman Filter, ASTUKF)的电力信号同步相量跟踪算法：根据新息序列概率分布特征,构建系统状态判定变量判断系统是否发生突变,并在STUKF算法理论基础上提出弱化因子自适应算法,利用建立的基波相量状态空间模型构建基于ASTUKF的同步相量跟踪算法。实验结果表明,所提ASTUKF算法具有良好的检测突变的能力,能够快速准确地跟踪突变。     

基于改进强跟踪无迹卡尔曼滤波的电力信号同步相量跟踪算法

配电网中各类噪声对相量测量产生较大影响,研究在高噪声环境下能够可靠检测并能快速跟踪电力信号突变的同步相量测量算法,对保证电网的稳定性与可靠性具有重要意义.提出基于量测量误差协方差次优估计的自适应强跟踪无迹卡尔曼滤波(SEMEC-ASTUKF)的同步相量测量算法.首先根据递归最小二乘法提出一种自适应常值噪声统计估计器提高量测噪声协方差估计精度;然后根据电力信号突变后特征,构建突变检测算法和渐消因子次优估计算法,改善强跟踪无迹卡尔曼滤波(STUKF)算法在高噪声环境下对突变检测能力弱和跟踪突变慢的缺陷.利用实测信号对算法性能进行验证,结果表明,SEMEC-ASTUKF算法具有更高的测量精度,对突变具有更好的检测灵敏度和更高的跟踪速度.     

基于ALBERT的电力变压器运维知识图谱构建方法与应用研究

当前电网数字化转型升级，且电力变压器智能健康管理技术快速发展，而在运维过程中存在信息关联性弱以及决策生成效率低的问题。目前，知识图谱在航天器运维等其他工业领域已有应用，知识查询效率显著提升。电力变压器运维领域鲜有知识图谱构建相关文献，且针对电力变压器运维领域公开数据较少、运维知识难以被有效挖掘的问题，该文提出一种基于ALBERT的电力变压器运维知识图谱构建方法。首先获取电力变压器领域公开文献，并使用正则匹配的样本生成方法对电力系统事故调查报告等半结构化语料进行样本增强，构建电力变压器运维领域的训练数据集；然后应用ALBERT-BiLSTM-CRF深度学习算法从电力变压器相关文献与事故调查报告中抽取了电力变压器运维实体，并将此算法与传统深度学习算法进行对比，验证了此方法的优越性；接着，利用融入了ALBERT和注意力机制的ALBERT-BiLSTM-Attention深度学习算法对电力变压器运维实体进行关系抽取，相较于其他深度学习算法，此算法在电力变压器运维领域文本中具有更好的表现；最后使用Neo4j图数据库对知识图谱进行可视化呈现，并实现了基于电力变压器运维知识图谱的辅助决策功能。     

新一代人工智能技术在输变电设备状态评估中的应用现状及展望北大核心CSCD

输变电设备是电网电安全的基石,对输变电设备进行监测并对其状态进行评估可提早发现其潜在隐患,避免事故扩大造成不必要的损失。新一代人工智能技术在输变电设备状态评估中的应用不断普及,对新一代人工智能关键技术及其在输变电设备状态评估中的应用现状进行整理、归纳及分析,并对未来发展趋势予以展望,有助于输变电设备状态评估领域的科研工作开展。首先,梳理新一代人工智能基本技术及高级应用,包括数据增强技术、图像检测及目标识别技术、自然语言处理技术、迁移学习技术以及强化学习技术等;然后,对新一代人工智能技术应用于输变电设备状态评估中的难点问题与优势所在进行了分析;在此基础上,概述新一代人工智能技术在输变电设备状态评估的应用场景,包括故障辨识技术、电力视觉技术及健康管理技术等;最后,对新一代人工智能技术在输变电设备状态评估中应用研究所面临挑战及发展趋势进行展望。     

高校生物医药类研发建筑设计探索

近年来，我国高校生物医药类实验室呈现出多样化的发展趋势。本文在设计实践的基础上，提出了生物医药类研发建筑的“模块化”布局、空间融合与共享交流、实验工艺通用条件与专用条件的平衡、实验空间集群化、应对特殊实验室设计挑战、基于技术整合的精细化改造等6个设计策略。